PyTorch实现全连接神经网络多分类（非图像）| 生成数据-构建模型-读写权重-预测数据

最新推荐文章于 2023-10-09 17:00:45 发布

訢詡

最新推荐文章于 2023-10-09 17:00:45 发布

阅读量1.4k

点赞数 1

分类专栏：深度学习CV方向文章标签：神经网络 pytorch 全连接神经网络

本文链接：https://blog.csdn.net/Andrwin/article/details/115374759

版权

导入import torchfrom torch.autograd import Variableimport torch.nn.functional as Fimport matplotlib.pyplot as pltimport numpy as np生成数据n_data =torch.ones(1000,200) # 每条数据拥有200维x0 = torch.normal(2*n_data,1) y0 = torch.zeros(1000) # 第0类x1 = torch.no

摘要由CSDN通过智能技术生成

导入

import torch
from torch.autograd import Variable
import torch.nn.functional as F
import matplotlib.pyplot as plt
import numpy as np

生成数据

n_data =torch.ones(1000,200) # 每条数据拥有200维
x0 = torch.normal(2*n_data,1) 
y0 = torch.zeros(1000) # 第0类
x1 = torch.normal(-2*n_data,1) 
y1 = torch.ones(1000)  # 第1类
x2 = torch.normal(4*n_data,1)
y2 = torch.ones(1000)*2 # 第2类
x3 = torch.normal(-4*n_data,1)
y3 = torch.ones(1000)*3 # 第3类
x_test = torch.normal(-4*n_data,1)
y_test = torch.ones(300)*3 # 第一批测试数据 第3类
x_test_2 = torch.normal(2*n_data,1)
y_test_2 = torch.ones(300)*3 # 第二批测试数据 第0类

查看数据

x0,y0,x1,y1,x2,y2,x3,y3

(tensor([[ 1.7648,  3.5107,  0.8799,  ...,  1.6155,  1.4858,  1.7147],
         [ 4.3682,  1.6824,  3.1480,  ...,  2.7593,  2.1689,  0.1865],
         [ 2.1389,  1.1775,  2.0215,  ...,  0.6602,  1.6857,  2.1622],
         ...,
         [ 2.3237, -0.5229,  3.8511,  ...,  1.7056,  1.0465,  2.9551],
         [ 1.6455,  1.2597,  2.1032,  ...,  1.6167,  1.4766,  1.7534],
         [ 2.3019,  2.2763,  2.0995,  ...,  1.6459,  1.8507,  0.9541]]),
 tensor([0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
         0., 0., 0., 0., 0., 0., 0., 0.,

最低0.47元/天解锁文章

訢詡

关注

1
点赞
踩
4

收藏

觉得还不错? 一键收藏
2
评论
PyTorch实现全连接神经网络多分类（非图像）| 生成数据-构建模型-读写权重-预测数据

导入import torchfrom torch.autograd import Variableimport torch.nn.functional as Fimport matplotlib.pyplot as pltimport numpy as np生成数据n_data =torch.ones(1000,200) # 每条数据拥有200维x0 = torch.normal(2*n_data,1) y0 = torch.zeros(1000) # 第0类x1 = torch.no
复制链接

扫一扫